CN111130553B - 用于处理压缩数据的方法和设备 - Google Patents
用于处理压缩数据的方法和设备 Download PDFInfo
- Publication number
- CN111130553B CN111130553B CN201911044413.9A CN201911044413A CN111130553B CN 111130553 B CN111130553 B CN 111130553B CN 201911044413 A CN201911044413 A CN 201911044413A CN 111130553 B CN111130553 B CN 111130553B
- Authority
- CN
- China
- Prior art keywords
- data
- compressed data
- input data
- compressed
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012545 processing Methods 0.000 title claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 101
- 239000013598 vector Substances 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 32
- 238000004519 manufacturing process Methods 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 11
- 230000001788 irregular Effects 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000000691 measurement method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000012880 independent component analysis Methods 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 102100030368 Phospholipid phosphatase-related protein type 4 Human genes 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000006385 cognitive dynamics Effects 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 101001095043 Homo sapiens Bone marrow proteoglycan Proteins 0.000 description 1
- 101001131990 Homo sapiens Peroxidasin homolog Proteins 0.000 description 1
- 101000582986 Homo sapiens Phospholipid phosphatase-related protein type 3 Proteins 0.000 description 1
- 102100030383 Phospholipid phosphatase-related protein type 3 Human genes 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
- H03M7/3059—Digital compression and data reduction techniques where the original information is represented by a subset or similar information, e.g. lossy compression
- H03M7/3062—Compressive sampling or sensing
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
- H03M7/3082—Vector coding
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
一种用于处理压缩数据的方法,所述压缩数据特别是借助于压缩感知CS方法从输入数据中获得的,其中该方法具有以下步骤:接收第一数据,通过执行独立性分析依据所述第一数据确定混合矩阵,接收第二压缩数据,依据所述第二压缩数据和所述混合矩阵重构所述输入数据。
Description
技术领域
本公开涉及一种用于处理压缩数据的方法,所述压缩数据特别是借助于压缩感知(Compressed-Sensing)CS方法从输入数据中获得的。
本公开还涉及一种用于处理压缩数据的设备,所述压缩数据特别是借助于CS方法从输入数据获得的。
背景技术
使用压缩感知原理来压缩数据是已知的。在这种情况下,将例如以矢量形式存在的输入数据乘以测量矩阵以获得压缩数据。
发明内容
优选的实施方式涉及一种用于处理压缩数据的方法,所述压缩数据特别是借助于压缩感知CS方法从输入数据获得的,其中所述方法具有以下步骤:接收第一数据,通过执行独立性分析(英文:Independent component analysis,独立成分分析,ICA)依据所述第一数据来确定混合矩阵,接收第二压缩数据,依据所述第二压缩数据和所述混合矩阵来重构所述输入数据。通过这种方式,使得能够有效地重构所述输入数据。
特别有利地,可以依据所述混合矩阵来确定可用于CS压缩数据的重构的代表矩阵,其方式是例如使用所述混合矩阵作为用于重构CS压缩数据的代表矩阵。
在其它优选的实施方式中,所述第一数据还没有借助于CS加以压缩,而是未被压缩的,由此可以特别有效地确定混合矩阵,基于该混合矩阵可以进行CS压缩数据的重构。
在其它优选的实施方式中规定,至少间或地执行训练阶段,在该训练阶段中接收所述第一数据,优选未压缩的数据,并且在该训练阶段中通过依据所接收的第一数据执行独立性分析来确定所述混合矩阵。由此不需要先验地了解所述代表矩阵,从而进一步提高了灵活性。特别地,由此还可以使所述输入数据的重构动态地适配于所述输入数据的不断变化的结构或不断变化的统计特性,特别是无需在所述第二压缩数据的源处增加用于压缩数据的开销。
在其它优选的实施方式中规定,在所述训练阶段之后执行重构阶段,在该重构阶段中接收所述第二压缩数据(特别是借助于CS压缩的),并且在该重构阶段中重构所述输入数据。
在其它优选的实施方式中规定,重复所述训练阶段,特别是周期性地重复,由此使得能够将所述混合矩阵适配于压缩数据的可能不断变化的特性。
在其它优选的实施方式中规定,根据以下出版物执行所述独立性分析:A.Hyvärinen、J.Karhunen和E.Oja,Independent Component Analysis, ser. Adaptive andCognitive Dynamic Systems: Signal Processing, Learning, Communications andControl. Wiley,2004,ISBN:9780471464198,特别是根据出自第8至12章中的方法之一。
在其它优选的实施方式中规定,将所述第一数据划分为多个训练序列,其中为所述多个训练序列中的每个训练序列确定对应的混合矩阵,以及其中依据与所述多个训练序列相对应的混合矩阵来确定用于重构所述输入数据的代表矩阵。
在其它优选的实施方式中规定,所述重构包括根据以下等式求解优化问题:,特别是在边界条件/>下,其中矢量/>代表在与所述代表矩阵/>对应的基中的输入数据(所述代表矩阵/>的行矢量表示基矢量),所述矢量/>相对于所述基是稀疏的,其中矢量/>表征压缩的第二数据,其中/>是测量矩阵,并且其中/>。所述代表矩阵可以有利地从所述混合矩阵中加以确定。在其它优选的实施方式中,可以使用任意矩阵作为测量矩阵/>,以便从所述输入数据中确定CS压缩数据。
例如,在其它优选的实施方式中所谓的代表矩阵可以被规定为使得以下适用:,其中矢量/>表示所述(未压缩的)输入数据。例如,在其它优选的实施方式中,所述矢量/>可以具有表征所述输入数据的信号的n个值的集合,特别是n个采样值的集合。所述表征所述输入数据的信号可以是例如传感器信号。换句话说,所述矢量/>可以具有n个元素f0, f1,…,fn-1,这些元素分别对应于所述表征所述输入数据的信号的各个信号值。
在其它优选的实施方式中,特别是依据所述混合矩阵来选择或确定所述代表矩阵——所述代表矩阵例如也可以理解为空间/>的标准正交基,使得所述矢量/>是S稀疏的(即S-sparse),因此表示由基/>的最多S个基矢量构成的线性组合,其中优选S<<n。在其它优选的实施方式中,不要求严格的S稀疏性。而是除了S个分量以外的所有分量大致(相对于阈值ε)消失,即小于阈值ε,就足够了。
在其它优选的实施方式中规定,从多个源收集和/或聚集压缩数据,其中特别地,所述多个源具有或表示传感器网络的传感器。
在其它优选的实施方式中规定,处理来自多个源的重构的输入数据,其中该处理具有以下步骤中的至少一个步骤:至少间或地存储所述重构的输入数据,提供所述重构的输入数据用于进一步处理,将所述重构的输入数据的至少一部分传输到其它单元,特别是云存储系统,过滤所述重构的输入数据的至少一部分。
在其它优选的实施方式中规定,接收所述第二压缩数据包括从多个传感器装置接收压缩数据,其中这些传感器装置被构造为检测制造装置的一个或多个物理参数、特别是一个或多个物理参数的时间变化过程并且至少间或地以压缩的第二数据的形式发送。
在其它优选的实施方式中规定,该方法还包括以下步骤中的至少一个步骤:a)评估所述重构的输入数据的至少一部分以确定所述制造装置的至少一个组件的现有不规则运行状态,b)评估所述重构的输入数据的至少一部分以确定所述制造装置的至少一个组件的将来可能需要的维护过程,c)依据所述重构的输入数据的至少一部分,至少间或地控制所述制造装置的至少一个组件的运行。
其它优选的实施方式涉及一种用于处理压缩数据的设备,所述压缩数据特别是借助于压缩感知CS方法从输入数据中获得的,其中该设备被构造为执行以下步骤:接收第一数据,通过执行独立性分析依据所述第一数据来确定混合矩阵,接收第二压缩数据,依据所述第二压缩数据和所述混合矩阵来重构所述输入数据。
在其它优选的实施方式中规定,所述设备被构造为执行根据这些实施方式的方法。
其它优选的实施方式涉及一种用于处理压缩数据的系统,该系统具有:至少一个压缩数据源以及至少一个根据这些实施方式的设备,其中,所述至少一个设备被构造为从所述至少一个源接收压缩数据以及处理所述压缩数据。
在其它优选的实施方式中规定,所述至少一个源被构造为将所述第一数据未压缩地发送到所述设备并且借助于压缩感知方法压缩地将第二数据发送到所述设备。
在其它优选的实施方式中规定,所述至少一个源是传感器装置,该传感器装置被构造为以测量技术检测一个或多个物理参数,特别是一个或多个物理参数的时间变化过程并且至少间或地作为压缩的第二数据发送到所述设备。
其它优选的实施方式涉及根据这些实施方式的方法和/或根据这些实施方式的设备和/或根据这些实施方式的系统用于收集和/或处理多个传感器的数据,特别是具有多个传感器的传感器网络的数据,特别是制造装置的传感器网络的数据的用途,其中优选地,评估所述传感器网络的数据以确定所述制造装置的至少一个组件的现有不规则运行状态和/或确定所述制造装置的至少一个组件的将来所需的维护过程,和/或其中至少间或地依据所述传感器网络的数据来控制所述制造装置的至少一个组件的运行。
附图说明
通过以下对附图的各个图中示出的本发明实施例的描述,得到本发明的其它特征、应用可能和优点。在此情况下,所有描述或示出的特征单独地或以任何组合形成本发明的主题,而不管其在权利要求或对权利要求的引用中的概括如何,也不管其在说明书或附图中的表述或显示如何。
在附图中:
图1示意性地示出了根据优选实施方式的系统的框图,
图2示意性地示出了根据优选实施方式的方法的简化流程图,
图3示意性地示出了根据其它优选实施方式的框图,
图4示意性地示出了根据其它优选实施方式的时间流程,
图5示意性地示出了根据其它优选实施方式的方法的简化流程图,
图6示意性地示出了根据其它优选实施方式的框图,
图7示意性地示出了根据其它优选实施方式的框图,以及
图8A、图8B分别示意性地示出了根据其它优选实施方式的运行变量。
具体实施方式
图1示意性地示出了用于处理压缩数据D2、D2'的系统1000,其中至少一个源200、200'提供了压缩数据D2、D2'。在此,示例性地再现了第一源200和可选的第二源200',其中第一源200至少间或地提供优选未压缩的第一数据D1,以及至少间或地提供第二压缩数据D2,并且其中第二源200'至少间或地提供优选未压缩的第一数据D1'并且至少间或地提供第二压缩数据D2'。例如,两个源200、200'将由它们压缩的数据D2、D2'发送到根据所述实施方式的用于处理压缩数据的设备100。
例如,第一源200是以测量技术检测一个或多个物理参数的传感器装置,其中获得对应的输入数据ED(或输入信号)。例如,输入数据ED可以是温度的时间变化过程,例如以时间离散和值离散的形式,如其例如通过以可预定的采样率对模拟信号进行采样并借助于模拟数字转换器将所述模拟信号转换到数字域可获得的。对于可选的第二源200'以及可能的其它现有数据源(未示出),同样适用。
第一源200优选地将专业人员本身已知的所谓的压缩感知(CS)方法应用于输入数据ED以对所述输入数据进行压缩,由此获得第二压缩数据D2。通过这种方式,可以有利地减少要从源200传输到设备100的数据量。在通过源200对输入数据ED执行的CS方法的范围中,可以例如以矢量形式表示输入数据ED或输入信号,例如表示为矢量,其中特别地,矢量/>的元素数量与输入数据ED的所观察的采样值或信号值数量对应。例如,矢量/>可以具有n个元素。在CS方法的范围中,矢量/>可以例如乘以测量矩阵/>,其中测量矩阵/>例如是/>矩阵,即具有m个行和n个列,其中m<n:/>。输入数据ED或矢量/>的压缩通过以下方式产生,即m<n,使得代表压缩数据D2的结果矢量/>(“测量信号”)具有比矢量/>更少的(通常是m个)元素。
在一些实施方式中,测量矩阵可以被构造为,其使得能够在(伪)随机选择的时刻检测信号值。在其它实施方式中,测量矩阵/>可以被构造为使得其形成输入数据ED的线性组合,特别是(伪)随机选择的线性组合。
遵循压缩感知原理可以表明,(除了存在其它已知的边界条件之外)为了实现具有k个未消失元素的稀疏信号(或矢量)的完整、即完美的重构,以下描述的矢量/>的比较少的(例如m个)测量或元素就足够了,其中n>>m>k。
例如,在其它优选的实施方式中可以实现的是,将采样率明显减小到低于由奈奎斯特定理预定的速率,这由于信号结构的稀疏性(相对于通过代表矩阵表示的基的稀疏矢量/>)而是可能的。这由以下等式表示:/>。换句话说,代表输入信号ED的矢量/>可以表示为代表矩阵/>与相对于由代表矩阵/>形成的基稀疏的矢量/>的乘积。特别优选地,矢量是S稀疏的,其中S明显小于矢量/>的元素总数。在其它优选的实施方式中,不需要严格的S稀疏性。而是除了S个分量之外的所有分量大致(相对于阈值/>)消失,即小于阈值ε,就足够了。
在其它的实施方式——其中代表矩阵例如对应于代表离散傅里叶变换(DFT)的矩阵(DFT矩阵)——中,稀疏域对应于信号/>的频谱。
由第一源200遵循压缩感知原理压缩的数据D2经由有线和/或无线的第一数据连接DV1传输到设备100,设备100例如形成用于收集和/或处理一个或多个源200、200'的压缩数据D2、D2'的聚集点。第二源200'的功能可以例如与上面参考第一源200描述的方面相当,使得设备100因此也从第二源200'获得CS压缩的第二数据D2',例如经由相同的第一数据连接DV1或另外的数据连接(未示出)。
在其它优选的实施方式中,设备100(图1)被构造为执行下面尤其是参考图2、3描述的方法。该方法具有以下步骤:接收300第一数据D1,特别是未压缩的数据(图1),依据第一数据D1通过执行独立性分析(ICA)确定302(图2)混合矩阵MM(图3),接收304第二压缩数据D2,依据第二压缩数据D2和混合矩阵MM重构306输入数据ED(图1)。通过这种方式,使得能够有效地重构输入数据ED。特别有利地,可以依据混合矩阵MM确定可用于重构CS压缩数据D2的代表矩阵。
在其它优选的实施方式中,第一数据D1尚未借助于CS加以压缩,而是未被压缩的,由此可以特别有效地确定混合矩阵MM(图3),在该混合矩阵的基础上可以进行CS压缩数据D2的重构。
图3示意性地示出了用于图示根据优选实施方式的流程的框图。例如在设备100中实现的第一功能块B1获得第一未压缩数据D1并从中确定混合矩阵MM,例如借助于所提到的独立性分析。可选地,混合矩阵MM在其它实施方式中由第二功能块B2处理(第二功能块B2例如同样在设备100中实现),由此获得经处理的混合矩阵MM',下面将进一步描述。然后,借助于第三功能块B3(第三功能块B3例如同样在设备100中实现),依据混合矩阵MM(或可选地经处理的混合矩阵MM')和所接收的压缩数据D2执行重构,该重构导致重构的输入数据EDr。可能的话除了重构误差之外,重构的输入数据EDr对应于(未压缩的)输入数据ED。
在下面基于根据图4的时序图(参见时间轴t)描述的其它优选实施方式中规定,至少间或地执行训练阶段T1,在该训练阶段中第一数据D1(图1)、优选未压缩数据(也就是例如在全采样率情况下的输入数据ED)由设备100接收,并且在该训练阶段中通过依据所接收的第一数据D1执行独立性分析来确定混合矩阵MM(图3)。在其它优选的实施方式中规定,在训练阶段T1之后执行重构阶段R1,在该重构阶段中第二压缩数据D2(特别是借助于CS)由设备100接收,并且在该重构阶段中重构输入数据ED。
在其它优选的实施方式中规定,重复训练阶段T1,特别是周期性地重复,由此使得能够将所述混合矩阵本身适配于压缩数据或输入数据ED的可能不断变化的特性。为此示例性地在图4中示出了第一训练阶段T1,该第一训练阶段在时间t01开始。这之后接着是在时刻t02 开始的重构阶段R1,在该重构阶段中通过使用在第一训练阶段T1期间所确定的混合矩阵来重构由设备100接收的CS压缩数据D2。从时刻t03开始进行第二训练阶段T2,在该第二训练阶段中,设备100重新从源200(图1)接收未压缩数据D1,在此基础上所述设备借助于所提到的独立性分析重新确定混合矩阵MM,该混合矩阵可用于从时刻t04开始的随后的第二重构阶段R2来重构CS压缩数据D2。
在其它优选的实施方式中规定,所述独立性分析(参见例如图2的步骤302)根据以下出版物执行:A.Hyvärinen、J.Karhunen和E.Oja,Independent Component Analysis,ser. Adaptive and Cognitive Dynamic Systems: Signal Processing, Learning,Communications and Control. Wiley,2004,ISBN:9780471464198。替换地或补充地,所述独立性分析(参见例如图2的步骤302)根据以下出版物执行:A.Hyvärinen,“Fast androbust fixed-point algorithms for independent component analysis”,IEEETransactions on Neural Networks,vol. 10, no. 3,626-634页,1999年5月,ISSN:1045-9227. DOI:10.1109 / 72.761722。
在其它优选的实施方式中可以规定,只要所述独立性分析不提供二次矩阵作为混合矩阵MM,就特别是可忽略地(geringfügig)截取用于形成混合矩阵MM的训练信号,并且然后用截取的训练信号重新执行独立性分析,该独立性分析然后可能导致二次混合矩阵。该处理在其它实施方式中可以例如通过图3的功能块B2来进行。
在其它优选的实施方式中,参见图5的简化流程图和图6的框图,规定第一数据D1(图1)被划分成多个训练序列TS1,TS2(图6),参见图5的步骤310,其中在步骤312中为多个训练序列TS1,TS2中的每一个训练序列确定对应的混合矩阵MM1,MM2(图6)(优选再次借助于独立性分析),并且其中依据与多个训练序列TS1,TS2相对应的混合矩阵MM1,MM2确定用于重构压缩的输入数据D2的代表矩阵RM,参见步骤314(发生在方块B4中,其功能例如在设备100中实现)。在其它实施方式中,在步骤310(图5)中第一数据D1也可以被划分成多于两个的训练序列TS1,TS2,...,由此可以相应地获得更多的混合矩阵,从这些混合矩阵中可以形成代表矩阵RM。
通过根据图5、6的实施方式,CS系统1000可以被设计为在寻找具有可随时间变化的信号或对应输入数据ED的稀疏的信号矢量方面甚至更加灵活,因为在此情况下来自步骤312的独立性分析(图5)可单独地应用于相应的多个训练序列TS1,TS2,...。
例如,可以从第二混合矩阵MM2中去除第二混合矩阵MM2(图6)中代表恒定分量的列(参见根据图3的方块B2的可选处理和在此情况下获得的经处理的混合矩阵MM'),并且可以将以这种方式处理的第二混合矩阵MM2与第一混合矩阵MM1进行级联,优选地沿着与混合矩阵MM1,MM2的行相对应的方向,以获得用于重构CS压缩数据D2的代表矩阵。由此,在所述重构时可以在从两个(或更多个)训练阶段或训练序列TS1,TS2寻找非稀疏系数方面达到更大的灵活性,由此使该方法对很小的变化或不可靠性或估计误差更鲁棒,特别是在训练阶段T1,T2期间。
在其它优选的实施方式中规定,重构306(图2)包括根据以下等式求解优化问题:,特别是在边界条件/>下,其中矢量/>代表在与代表矩阵/>对应的基中的输入数据ED(图1),所述矢量/>相对于所述基是稀疏的,其中矢量/>表征压缩的第二数据,其中/>是可由源200用于CS压缩的测量矩阵,并且其中/>是针对大致稀疏性(英语:sparseness)的阈值。代表矩阵/>可以有利地从混合矩阵MM中加以确定,特别是通过将该代表矩阵与混合矩阵MM设置为相等的方式。在其它优选的实施方式中,可以使用任意矩阵作为测量矩阵/>,以便从输入数据ED中确定CS压缩数据D2。
在其它优选的实施方式中可以规定,设备100通过使用混合矩阵MM作为代表矩阵或通过使用由混合矩阵MM导出的代表矩阵/>来执行用于重构输入数据ED的常规方法,其中用于重构的常规方法例如基于“L1-magic”方法,参见E. Candes和J. Romberg,“L1-magic:Recovery of sparse signals via convex programming”,Tech. Rep., 2005年1月,1-19页,和/或基于“Subspace pursuit(SP)”(子空间追踪)方法,参见W. Dai和O.Milenkovic,“Subspace pursuit for compressive sensing signal reconstruction”,IEEE Transactions onInformation Theory,Vol. 55,no. 5,2230-2249页,2009年5月,ISSN:0018-9448. DOI:10.1109/TIT.2009.2016006。
例如,在其它优选的实施方式中代表矩阵可以被规定为使得以下适用:/>,其中矢量/>代表(未压缩的)输入数据ED或D1。例如,在其它优选的实施方式中,矢量/>可以具有表征所述输入数据的信号的n个值的集合,特别是n个采样值的集合。所述表征所述输入数据的信号可以是例如传感器信号。换句话说,矢量/>具有n个元素f0, f1,…,fn-1,这些元素分别对应于所述表征所述输入数据的信号的各个信号值。
在其它优选的实施方式中,特别是依据混合矩阵MM来选择或确定代表矩阵——所述代表矩阵的行例如也可以理解为空间/>的标准正交基,使得矢量/>是S稀疏的(即S-sparse),因此是由基/>的最多S个基矢量构成的线性组合,其中优选S<<n。在其它优选的实施方式中不要求严格的S稀疏性。而是除了S个分量以外的所有分量大致(相对于阈值ε)消失,即小于阈值ε,就足够了。
在其它优选的实施方式中规定,在确定混合矩阵MM的步骤302的范围中执行的独立性分析确定混合矩阵MM,使得以下适用:F=AX,其中F是代表信号集合的矩阵,其中X是来自独立性分析的独立分量,并且其中A是混合矩阵,其中例如矩阵F的各列与输入数据ED的时间序列或序列相对应。
其它优选的实施方式涉及用于处理压缩数据D2的设备100,该设备被构造为执行根据这些实施方式的方法。
图7示意性地示出了根据其它优选实施方式的设备100a的框图。例如,根据图1的设备100可以具有根据图7的配置100a。设备100a具有计算单元102(例如,微处理器和/或微控制器和/或可编程逻辑器件、特别是FPGA和/或专用集成电路ASIC和/或数字信号处理器DSP和/或其组合)和存储器单元104。存储器单元104具有易失性存储器104a(特别是工作存储器(RAM))以及非易失性存储器104b,例如闪存EEPROM。在非易失性存储器104b中存储用于计算单元102的至少一个计算机程序PRG1,所述计算机程序PRG1控制根据这些实施方式的方法的执行和/或设备100、100a的其它运行。在其它实施方式中还可以设置多于一个的计算机程序PRG1,PRG2。
可选地,设置接口单元106用于从至少一个数据源200,200'(图1)接收数据D1,D1',D2,D2'。
在其它实施方式中,设备100、100a的功能还可以由服务器、特别是云服务器来提供。
下面将参考图8A、8B描述其它优选的实施方式。图8A示出了基于根据这些实施方式的原理的计算机仿真的结果,其中曲线K1代表在水平轴x1上方绘制的输入系数,而曲线K2代表在水平轴x1上方绘制的重构系数。图8B中在水平轴x2上方绘制的曲线K3表征与输入数据ED(图1)相对应的信号,而曲线K4表征与重构数据EDr(图3)相对应的信号。这些示例性再现的曲线的基础是原始信号f(t)(对应于输入数据ED),原始信号f(t)是使用两个函数a、b作为两个不同的一阶高斯马尔可夫过程而形成的。
尽管将正向变换(一般正交的代表矩阵的转置矩阵)应用于输入信号(参见图8A)没有提供稀疏的系数集合,参见曲线K1,但是根据这些实施方式的CS重构导致在该域中非常好地近似于输入信号的稀疏代表,使得重构的信号K4类似于输入信号K3。
在以上参考图8A-8B描述的实施方式中,n=200个采样值已经被压缩为m=65个测量值(借助于m×n的测量矩阵),这对应于压缩到大约33%。
其它优选的实施方式涉及用于处理压缩数据D2,D2'的系统100(图1),该系统具有压缩数据D2,D2的至少一个源200,200'(例如电池驱动的传感器)和至少一个根据这些实施方式的设备100,100a,其中至少一个设备100,100a被构造为从至少一个源200,200'接收压缩数据D2,D2'和处理所述压缩数据。
在其它优选的实施方式中规定,至少一个源200,200'被构造为将第一数据D1,D1'未压缩地发送到设备100,100a,使得可以例如执行所提到的训练阶段T1(图4),并且借助于压缩感知方法将第二数据D2,D2'压缩地发送到设备100,100a,其中设备100,100a可以使用根据这些实施方式的方法例如从压缩数据D2,D2'中重构输入数据ED。
在其它优选的实施方式中,源200,200'执行压缩感知原理的(任意)方案,其中设备100,100a还分别知道用于源200,200'侧的压缩的测量矩阵,例如通过事先约定或设定(例如,参数化)和/或通过信令。以这种方式,设备100,100a可以在接收了压缩数据D2,D2'之后进行重构306(图2),优选根据以上描述的实施方式。
根据这些实施方式的原理有利地使得能够将重构306适配于可变的输入数据ED或可借助于CS技术从所述输入数据导出的压缩数据D2。特别有利地,与例如基于卡洛变换(KLT)的常规方法相比,不需要估计协方差矩阵。
例如,使用根据这些实施方式的原理可以构造(无线)传感器网络1000,其中传感器例如对应于源200,200'(图1),其中这些传感器本身需要比较低的复杂度和计算能力以便能够提供压缩数据D2,D2'。
在其它优选的实施方式中规定,源200,200'中的至少一个是传感器装置,该传感器装置被构造为以测量技术检测一个或多个物理参数,特别是一个或多个物理参数的时间变化过程并且至少间或地作为压缩的第二数据D2,D2'发送到设备100,100a。
其它优选的实施方式涉及根据这些实施方式的方法和/或根据这些实施方式的设备100,100a和/或根据这些实施方式的系统1000用于收集和/或处理多个传感器的数据、特别是具有多个传感器的传感器网络的数据、特别是制造装置的传感器网络的数据的用途,其中优选地,评估所述传感器网络的数据以确定所述制造装置的至少一个组件的现有不规则运行状态和/或所述制造装置的至少一个组件的将来所需的维护过程,和/或其中至少间或地依据所述传感器网络的数据来控制所述制造装置的至少一个组件的运行。
Claims (23)
1.一种用于处理压缩数据(D2;D2')的方法,所述压缩数据是从输入数据(ED)获得的,其中所述方法具有以下步骤:接收(300)第一数据(D1;D1'),通过执行独立性分析依据所述第一数据(D1;D1')来确定(302)混合矩阵(MM;MM'),接收(304)压缩数据(D2;D2'),依据所述压缩数据(D2;D2')和所述混合矩阵(MM;MM')来重构(306)所述输入数据(ED)。
2.根据权利要求1所述的方法,其中,至少间或地执行训练阶段(T1,T2),在该训练阶段中接收(300)所述第一数据(D1;D1'),并且在该训练阶段中通过依据所接收的第一数据(D1;D1')执行所述独立性分析来确定(302)所述混合矩阵(MM;MM')。
3.根据权利要求2所述的方法,其中,在所述训练阶段(T1,T2)之后执行重构阶段(R1,R2),在该重构阶段中接收(304)所述压缩数据(D2;D2'),并且在该重构阶段中重构(306)所述输入数据(ED)。
4.根据权利要求2至3中的任一项所述的方法,其中,重复所述训练阶段(T1,T2)。
5.根据权利要求1至3中的任一项所述的方法,其中,将所述第一数据(D1)划分(310)为多个训练序列(TS1,TS2),其中对于所述多个训练序列(TS1,TS2)中的每一个训练序列确定(312)对应的混合矩阵(MM1,MM2),并且其中依据与所述多个训练序列(TS1,TS2)相对应的混合矩阵(MM1,MM2)确定(314)用于重构所述输入数据(ED)的代表矩阵(RM)。
6.根据权利要求5所述的方法,其中,所述重构(306)包括根据以下等式求解优化问题:其中/>其中矢量/>代表在与所述代表矩阵Ψ对应的基中的所述输入数据(ED),所述矢量/>相对于所述基是稀疏的,其中矢量/>表征所述压缩数据(D2),其中φ是测量矩阵,并且其中ε>0。
7.根据权利要求1至3中的任一项所述的方法,其中,从多个源(200;200')收集和/或聚集压缩数据(D2;D2')。
8.根据权利要求1至3中的一项所述的方法,其中,处理来自多个源(200;200')的重构的输入数据(ED),其中所述处理具有以下步骤中的至少一个步骤:至少间或地存储所述重构的输入数据(ED),提供所述重构的输入数据(ED)用于进一步处理,将所述重构的输入数据(ED)的至少一部分传输到其它单元,过滤所述重构的输入数据(ED)的至少一部分。
9.根据权利要求1至3中的任一项所述的方法,其中,接收(304)所述压缩数据(D2;D2')包括从多个传感器装置接收压缩数据(D2;D2'),其中所述传感器装置被构造为检测制造装置的一个或多个物理参数,并且至少间或地以所述压缩数据(D2,D2')的形式发送。
10.根据权利要求9所述的方法,其中,所述方法还包括以下步骤中的至少一个步骤:a)评估所述重构的输入数据(ED)的至少一部分以确定所述制造装置的至少一个组件的现有不规则运行状态,b)评估所述重构的输入数据(ED)的至少一部分以确定所述制造装置的至少一个组件的将来可能需要的维护过程,c)依据所述重构的输入数据(ED)的至少一部分,至少间或地控制所述制造装置的至少一个组件的运行。
11.根据权利要求1所述的方法,其中,所述压缩数据是借助于压缩感知CS方法从输入数据(ED)获得的。
12.根据权利要求4所述的方法,其中,周期性地重复所述训练阶段(T1,T2)。
13.根据权利要求7所述的方法,其中,所述多个源(200;200')具有或表示传感器网络的传感器。
14.根据权利要求8所述的方法,其中,所述其它单元是云存储器系统。
15.根据权利要求9所述的方法,其中,所述传感器装置被构造为检测所述制造装置的一个或多个物理参数的时间变化过程。
16.一种用于处理压缩数据(D2;D2')的设备(100;100a),所述压缩数据是从输入数据(ED)获得的,其中所述设备(100;100a)被构造为执行以下步骤:接收(300)第一数据(D1;D1'),通过执行独立性分析依据所述第一数据(D1;D1')来确定(302)混合矩阵(MM;MM'),接收(304)压缩数据(D2;D2'),依据所述压缩数据(D2;D2')和所述混合矩阵(MM;MM')来重构(306)所述输入数据(ED)。
17.根据权利要求16所述的设备(100;100a),其中,所述设备(100;100a)被构造为执行根据权利要求2至15中的任一项所述的方法。
18.根据权利要求16所述的设备(100;100a),其中,所述压缩数据是借助于压缩感知CS方法从输入数据(ED)获得的。
19.一种用于处理压缩数据(D2;D2')的系统(1000),具有压缩数据(D2;D2')的至少一个源(200;200')和至少一个根据权利要求16至18中的任一项所述的设备(100;100a),其中所述至少一个设备(100;100a)被构造为从所述至少一个源(200;200')接收所述压缩数据(D2;D2')并处理所述压缩数据。
20.根据权利要求19所述的系统(1000),其中所述至少一个源(200,200')被构造为将所述第一数据(D1,D1')未压缩地发送到所述设备(100;100a),并且借助于压缩感知方法压缩地将所述压缩数据(D2,D2')发送到所述设备(100;100a)。
21.根据权利要求19至20中的任一项所述的系统(1000),其中,所述至少一个源(200、200')是传感器装置,所述传感器装置被构造为以测量技术检测一个或多个物理参数,并且至少间或地作为所述压缩数据(D2,D2')发送到所述设备(100;100a)。
22.根据权利要求21所述的系统(1000),其中,所述传感器装置被构造为以测量技术检测所述一个或多个物理参数的时间变化过程。
23.根据权利要求1至15中任一项所述的方法和/或根据权利要求16至18中任一项所述的设备(100;100a)和/或根据权利要求19至22中任一项所述的系统(1000)用于收集和/或处理制造装置的传感器网络的数据的用途,其中评估所述传感器网络的数据以确定所述制造装置的至少一个组件的现有不规则运行状态和/或所述制造装置的至少一个组件的将来所需的维护过程,和/或其中至少间或地依据所述传感器网络的数据来控制所述制造装置的至少一个组件的运行。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018218718 | 2018-10-31 | ||
DE102018218718.5 | 2018-10-31 | ||
DE102018220722.4 | 2018-11-30 | ||
DE102018220722.4A DE102018220722A1 (de) | 2018-10-31 | 2018-11-30 | Verfahren und Vorrichtung zum Verarbeiten von komprimierten Daten |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111130553A CN111130553A (zh) | 2020-05-08 |
CN111130553B true CN111130553B (zh) | 2024-05-24 |
Family
ID=70417089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911044413.9A Active CN111130553B (zh) | 2018-10-31 | 2019-10-30 | 用于处理压缩数据的方法和设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111130553B (zh) |
DE (1) | DE102018220722A1 (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101895297A (zh) * | 2010-07-30 | 2010-11-24 | 哈尔滨工业大学 | 一种面向压缩感知的块稀疏信号重构方法 |
CN101904182A (zh) * | 2008-01-29 | 2010-12-01 | 高通股份有限公司 | 用于高度相关的混合物的增强型盲源分离算法 |
CN102164282A (zh) * | 2011-04-29 | 2011-08-24 | 中南民族大学 | 一种用于图像编码的基于系数随机置换的压缩感知方法及系统 |
CN103532645A (zh) * | 2013-10-10 | 2014-01-22 | 南京邮电大学 | 一种观测矩阵优化的压缩频谱感知方法 |
CN104883192A (zh) * | 2015-06-18 | 2015-09-02 | 西安电子科技大学 | 基于混合压缩采样的非合作超宽带信号的重构方法 |
CN105513026A (zh) * | 2015-12-17 | 2016-04-20 | 浙江大学 | 一种基于图像非局部相似的压缩感知重构方法 |
CN105554501A (zh) * | 2015-05-03 | 2016-05-04 | 李峰 | 一种图像采集与压缩方法及装置 |
CN107942377A (zh) * | 2018-01-05 | 2018-04-20 | 吉林大学 | 一种地震数据压缩与重构方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7646924B2 (en) * | 2004-08-09 | 2010-01-12 | David Leigh Donoho | Method and apparatus for compressed sensing |
US9408549B2 (en) * | 2009-11-03 | 2016-08-09 | Vivaquant Llc | Detecting fiducial points in physiological signals |
US8942321B2 (en) * | 2010-09-22 | 2015-01-27 | Qualcomm Incorporated | Efficient compressed sensing channel estimation for single-carrier communication systems |
US9600899B2 (en) * | 2013-12-20 | 2017-03-21 | Alcatel Lucent | Methods and apparatuses for detecting anomalies in the compressed sensing domain |
-
2018
- 2018-11-30 DE DE102018220722.4A patent/DE102018220722A1/de active Pending
-
2019
- 2019-10-30 CN CN201911044413.9A patent/CN111130553B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101904182A (zh) * | 2008-01-29 | 2010-12-01 | 高通股份有限公司 | 用于高度相关的混合物的增强型盲源分离算法 |
CN101895297A (zh) * | 2010-07-30 | 2010-11-24 | 哈尔滨工业大学 | 一种面向压缩感知的块稀疏信号重构方法 |
CN102164282A (zh) * | 2011-04-29 | 2011-08-24 | 中南民族大学 | 一种用于图像编码的基于系数随机置换的压缩感知方法及系统 |
CN103532645A (zh) * | 2013-10-10 | 2014-01-22 | 南京邮电大学 | 一种观测矩阵优化的压缩频谱感知方法 |
CN105554501A (zh) * | 2015-05-03 | 2016-05-04 | 李峰 | 一种图像采集与压缩方法及装置 |
CN104883192A (zh) * | 2015-06-18 | 2015-09-02 | 西安电子科技大学 | 基于混合压缩采样的非合作超宽带信号的重构方法 |
CN105513026A (zh) * | 2015-12-17 | 2016-04-20 | 浙江大学 | 一种基于图像非局部相似的压缩感知重构方法 |
CN107942377A (zh) * | 2018-01-05 | 2018-04-20 | 吉林大学 | 一种地震数据压缩与重构方法 |
Non-Patent Citations (3)
Title |
---|
Fast_and_robust_fixed-point_algorithms_for_independent_component_analysis;A. Hyvarinen;《IEEE Transactions on Neural Networks》;19990515;第10卷(第3期);全文 * |
Subspace_Pursuit_for_Compressive_Sensing_Signal_Reconstruction;W. Dai;《IEEE Transactions onlnformation Theory》;20090515;第55卷(第5期);全文 * |
欠定盲分离混合矩阵估计与源信号恢复研究;农斌;《中国硕士学位论文全文数据库信息科技辑》;第I136-352页 * |
Also Published As
Publication number | Publication date |
---|---|
DE102018220722A1 (de) | 2020-04-30 |
CN111130553A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107147397B (zh) | 面向可穿戴设备的快速压缩感知重构方法 | |
KR102110486B1 (ko) | 인공 뉴럴 네트워크 클래스-기반 프루닝 | |
US11082153B2 (en) | Signal sampling and recovery method and apparatus applicable to OvXDM system, and OvXDM system | |
Haupt et al. | Sequentially designed compressed sensing | |
JP2020501475A5 (zh) | ||
CN109756740B (zh) | 基于最优测量矩阵的半张量图像压缩方法和图像恢复方法 | |
CN107666322A (zh) | 一种基于字典学习的自适应微震数据压缩感知方法 | |
CN112507606A (zh) | 基于rbf网络的欠定工作模态参数识别方法及检测方法 | |
CN104320144B (zh) | 稀疏度自适应信号重构方法 | |
US20200285956A1 (en) | Training Artificial Neural Networks with Reduced Computational Complexity | |
CN111130553B (zh) | 用于处理压缩数据的方法和设备 | |
EP3007075A3 (en) | Calibration curve creation method and device, target component calibration method and device, and electronic apparatus | |
CN109905129B (zh) | 基于分布式压缩传感的低开销电力数据采集方法 | |
TWI455115B (zh) | A method of separating a plurality of signal sources in a spherically mixed blind source | |
CN110263417B (zh) | 一种时序特性获取方法、装置及电子设备 | |
CN103490783A (zh) | 一种将模拟信号转换为数字信息的方法 | |
US20210397962A1 (en) | Effective network compression using simulation-guided iterative pruning | |
CN108988867B (zh) | 量测矩阵扰动时压缩感知感知矩阵构建方法、系统及介质 | |
JP6749696B2 (ja) | 復元装置、復元方法、プログラム、ならびに、情報記録媒体 | |
CN107749756B (zh) | 一种基于压缩感知的图像信号获取方法 | |
JP7091220B2 (ja) | 計算機、センシングシステム、及びデータ通信方法 | |
CN108599773B (zh) | 一种基于确定性测量矩阵的振动信号数据压缩采集方法 | |
RU2595929C2 (ru) | Способ и устройство для сжатия данных, представляющих зависящий от времени сигнал | |
CN107766294A (zh) | 缺失数据的恢复方法和装置 | |
Acosta et al. | Xampling and chaotic compressive sensing signal acquisition and reconstruction system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |